Python 数据帧上的就地行操作

假设我有这个：

>>> x = pandas.DataFrame([[1.0, 2.0, 3.0], [3, 4, 5]], columns=["A", "B", "C"])
>>> print x
   A  B  C
0  1  2  3
1  3  4  5

现在我想按行规范化

x

——也就是说，将每行除以其总和。如中所述，这可以通过

x=x.div（x.sum（axis=1），axis=0）

实现。但是，这会创建一个新的数据帧。如果我的数据帧很大，那么在创建这个新的数据帧时会消耗大量内存，即使我立即将它指定给原始名称

是否有有效的方法执行此操作？我想要像

x.idiv（）

这样的东西，它提供

div的
axis
选项，但在适当的位置更新
x
。对于这个特定的情况，我需要分区，但有时，对于所有基本操作，有类似的就地版本也很好

（我可以通过逐行迭代并将每个规范化的行分配回原始行来更新它，但这很慢，我正在寻找一个更有效的解决方案。）
您可以直接在numpy中执行此操作（无需创建副本）：

也许应该为div设置一个就地标志…？
这个问题看起来很相关-（谢谢！）注意：我原以为这里存在对齐问题，但事实并非如此，因为您只进行了行平均：）…如果您使用另一个数据帧/系列进行div，则可能会出现问题，我一直在玩
values
，但是被
x.values是x.values
是假的这个事实绊倒了，我还以为它在引擎盖下面的某个地方失去了连接。@BrenBarn
x.values是x.values
是假的。。。说什么@安迪海登：这是真的！（至少对我来说。）@AndyHayden：这似乎是一个每次都返回不同ndarray对象的属性，但不知何故，这些ndarray对象都共享相同的数据。
In [11]: x1 = x.values.T

In [12]: x1
Out[12]: 
array([[ 1.,  3.],
       [ 2.,  4.],
       [ 3.,  5.]])

In [13]: x1 /= x1.sum(0)

In [14]: x
Out[14]: 
          A         B         C
0  0.166667  0.333333  0.500000
1  0.250000  0.333333  0.416667